至顶网CIO与应用频道 08月16日 北京消息:Gartner发布的2017年新兴技术流行周期报告称,三大趋势可令企业在未来五到十年数字经济中赢得生存空间和蓬勃发展。
人工智能(AI)比比皆是、透明沉浸式体验和数字平台是未来的趋势,这些技术将提供无与伦比的智能、创造各种意义深远的新经验及提供各种数字平台将各机构连接到新的业务生态系统。
新兴技术流行周期报告是资历最老的Gartner年度流行周期报告。新兴技术流行周期报告就科技和趋势提供了一个跨行业视角,报告里提出的科技和趋势大可成为一众商业策略师、首席创新官、研发领导、企业家、全球市场开发商和新兴技术团队在开发新兴技术产品时 的参考。
新兴技术流行周期报告相对于大多数Gartner流行周期报告而言有其独特的地方,原因是新兴技术流行周期报告将2000多种技术提炼为一系列简明扼要的新兴技术和趋势。本年度新兴技术流行周期报告的重点放在在未来五到十年内具有高度竞争优势的各种技术(见图)。
Gartner研究总监MikeJ. Walker 表示,“专注于技术创新的企业架构师务必要评估这些高层次趋势和特色技术及其它们对企业的潜在影响。这些趋势除了对企业产生潜在的影响以外,也可以为企业架构领导者提供重要的机会,可以帮助高级业务和IT领导者对数字业务的商机和挑战做出响应,他们可以立下军令状及创建用于指导投资决策的、可操作和诊断的、可交付的行动计划。
说明:PaaS =平台即服务; UAV=无人机
资料来源:Gartner(2017年7月)
AI比比皆是
人工智能技术将是未来十年最具颠覆性一类的技术,主要是由于计算能力突飞猛进的发展、接近无限量的数据以及在深度神经网络领域所取得的前所未有的进步;所有这些令拥有AI技术的机构可以利用数据去适应新的情况以及解决以前未曾遇到过的问题。
在这方面寻求支撑点的企业应该考虑以下技术:深度学习、深度加固学习、人工智能、自主汽车、认知计算、商用无人机、会话性用户界面、企业分类和本体管理、机器学习、智能机器人和智能工作区。
透明性沉浸体验
科技的发展将持续以人为本的模式,以人为本模式的发展到最后是在人、企业和物之间引入透明性。当科技在工作场所、家庭以及在与企业及其他人互动时变得越来越具有适应性、内容随工作场所而不一样及更加具流动性后,人、企业和物之间的透明性关系将变得更加密切。
需考虑的关键技术包括:4D打印、增强现实(AR)、计算机人脑接口、连接家居、人力辅强、纳屏(Nanotube)、虚拟现实(VR)和立体显示(Volumetric Displays)。
数字平台
新兴技术需要对基础进行革新,而基础提供了所需的数据量、先进的计算能力和无处不在的基本生态系统。分割型技术架构正在向生态系统平台转变,这种转变也正在为沟通人与技术之间桥梁的全新商业模式奠定基础。
值得关注的关键平台支持技术包括:5G、数字双体(Digital twin)、边缘计算、Blockchain、IoT平台,神经元硬件、量子计算、无服务器平台即服务和软件定义安全。
Walker先生表示,“我们将这些主题放在一起看,就可以在透明性沉浸体验(如智能工作区、连接家居、增强现实、虚拟现实以及日益增长的大脑-计算机接口等等)里看到以人为本的基础技术正在成为前沿技术。这些技术在技术流行周期里将拉动其他趋势。
“AI比比皆是”新兴技术正在流行周期里快速躁动。深度学习、自主学习和认知计算等技术则正处高峰点,这表明这些技术将成为关键推手,这些技术将创造透明式沉浸体验。
最后一点,数字平台正迅速在流行周期里崛起,这说明了新的IT现实的存在,那就是,平台的提供可以推动未来的发展。量子计算(正在攀爬创新触发点)和Blockchain(已经达到顶峰)技术将在未来五到十年内创造产生出最具变革性和戏剧性的影响。
Walker表示,“这些大趋势表明,各部门如能将技术与员工、合作伙伴和客户体验更好地整合在一起,他们就能更好地将自己的生态系统与平台以性的动态形式连接起来。”
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。